週二，OpenAI發佈了最新的文生圖模型。該公司稱，已“把目前最先進的圖像生成器整合到GPT-4o模型裏”，這讓圖像生成“不僅畫面精美，而且頗具實用價值”。

此前版本的ChatGPT雖具備圖像生成能力，但在融合多種廣泛概念以可靠地創建圖像方面，存在不足。

OpenAI首席執行官Sam Altman將此次發佈形容爲“創作自由度達到了新高度”。

有哪些新升級？

OpenAI在新聞稿中介紹，GPT-4o的圖像生成功能十分強大。它能準確渲染文本，精確依照提示操作，還能利用4o自身的知識庫以及聊天上下文。

這讓用戶能更輕鬆地生成符合設想的圖像，通過視覺效果更高效地溝通。

具體體現在以下幾個方面：

文本融入更出色：GPT-4o如今能夠在生成的圖像中添加文字，並且確保文字清晰易讀、位置恰當，進一步豐富圖像內涵。

上下文理解能力增強：基於上下文信息，GPT-4o可以生成連貫一致的圖像。舉例來說，當用戶設計視頻遊戲角色時，在後續的優化與嘗試過程中，該角色的外觀能在多次生成中保持一致。

可繪製物品數量更多：GPT-4o能響應更詳細的提示，十分注重細節。其他競爭對手的AI圖像生成器在繪製大約5-8個物體時就會遇到困難，而GPT-4o可以精準繪製用戶指定的多達20種不同物品。

情境學習更智能：GPT-4o能以上傳的圖像作爲參考，生成與之相似的圖像。

知識運用更直觀：GPT-4o能夠將知識在文本和圖像間建立聯繫，從而構建出一個更智能、高效的知識模型。

照片風格更豐富：通過對多種圖像風格的圖像進行學習訓練，GPT-4o既能生成，也能將圖像轉換爲多種風格，從手繪草圖到高分辨率的照片寫實風格都不在話下。

此外，GPT-4o的圖像生成在商業應用領域也展現出巨大潛力。在品牌設計方面，它能生成帶有精準文本的徽標、海報以及廣告；教育領域，可創建科學圖表、信息圖以及歷史圖像用於教學；遊戲開發中，能保證角色在不同設計迭代中保持形象一致。

“文本生成領域的巨大飛躍”

OpenAI宣佈，從週二起，新版ChatGPT將面向ChatGPT Plus、Pro、Team以及免費版用戶開放使用。該公司還透露，該功能也將很快向Enterprise、Edu用戶開放，並通過應用程序編程接口（API）提供服務。

回顧來看，2022年底，初代ChatGPT驚豔亮相，它憑藉對海量互聯網文本的深度分析，能夠回答問題、創作詩歌以及生成計算機代碼，但無法生成圖像。

大約一年後，OpenAI才推出了可以生成圖像的新版ChatGPT，即DALL-E，不過那時ChatGPT和DALL-E是相互獨立的系統。

此次更新意味着，OpenAI把圖像生成工具從DALL-E更換爲GPT-4o。

OpenAI研究員GabrielGoh表示：“這是一項全新的技術。我們不再將圖像生成和文本生成分開處理，而是希望把它們融合在一起。”不僅如此，該模型還被集成到OpenAI的視頻生成平臺Sora中，進一步拓展了多模式功能。

獨立人工智能顧問AllieK.Miller在X平臺上發文稱，這是“文本生成領域的巨大飛躍”，也是她所見過的“最出色的”人工智能圖像生成模型。

不過，儘管GPT-4o取得了顯著進步，但仍然面臨一些挑戰。

比如存在裁剪問題，大型圖像有時可能會被裁剪得過緊；在非拉丁文字的文本準確性方面，某些非英語字符可能無法正確顯示；對於小文本中的細節保留不足，高度詳細或小字體的文本可能會失去清晰度；編輯精度也有待提升，修改圖像的特定部分可能會意外影響到其他元素。不過，OpenAI正在積極採取措施，通過持續優化模型來解決這些問題。